蛙蛙推荐：远程抓取网页到本地数据库.doc

接到一个任务是把中国名牌网站的某些内容添加到我们的网站上，地址如下：

http://www.chinamp.org/mppro2.php

这个页上全是一些文章链接列表，点击链接会出现文章的详细内容显示页，根据这个规律，结合正则表达式，XMLHTTP技术，Jscript服务端脚本，以及ADO技术，写了一个小程序，把这些内容抓取到了本地数据库。抓取下来，然后就数据库对数据库导数据就比较方便了。先建立一个Access数据库，结构如下

Id	自动编号	标识，主键
oldID	数字	旧数据编码
Title	标题	文本
Content	备注	内容

具体实现代码如下

<%@LANGUAGE="JSCRIPT" CODEPAGE="936"%>

<!-- METADATA NAME="Microsoft ActiveX Data Objects 2.5 Library"

TYPE="TypeLib" UUID="{00000205-0000-0010-8000-00AA006D2EA4}" -->

//打开数据库

try

{

var strConnectionString = "Provider=Microsoft.Jet.OLEDB.4.0;Data Source=" + Server.MapPath("#db.mdb");

var objConnection = Server.CreateObject("ADODB.Connection");

objConnection.Open(strConnectionString);

}

catch(e)

{

Response.Write(e.description);

Response.End();

}

//远程获取数据

function GetData()

{

var xHttp = new ActiveXObject("microsoft.xmlhttp");

xHttp.open("POST","http://www.chinamp.org/mppro2.php",false);

xHttp.send();

return(xHttp.responseText);

}

//利用正则表达式提取符合条件的链接

function GetLinks(str)

{

var re = new RegExp("<a[^<>]+?\>((.|\n)*?)<\/a>", "gi");

var a = str.match(re); //第一次搜索

for(var i=0;i<a.length;i++)

{

var t1,t2;

var temp;

var r = /qy.php\?id=(\d+)/ig;

if(!r.test(a[i]))continue;

temp = a[i].match(/qy.php\?id=(\d+)/ig);

t1 = RegExp.$1;

temp = a[i].match(/<font[^<>]+?color=\"#000000\"\>(.*?)<\/font>/ig);

t2 = RegExp.$1;

if(t1 == t2)continue;

SaveArticle(t1,t2,GetContent(t1));

}

//通过提取的链接获取ID，并通过这个ID取抓取相应的文章

function GetContent(id)

{

var xHttp = new ActiveXObject("microsoft.xmlhttp");

xHttp.open("POST","http://www.chinamp.org/qy.php?id=" + id,false);

xHttp.send();

var str = xHttp.responseText;

var re = new RegExp("<span[^<>]+?style=\"font-size:10\.8pt\">(.*?)<\/span>", "gi");

var a = str.match(re);

return(RegExp.$1);

}

//入库

function SaveArticle(oldID,Title,Content)

{

var oRst = Server.CreateObject("ADODB.Recordset");

var sQuery;

sQuery = "SELECT oldID,Title,Content FROM Articles"

oRst.Open(sQuery,objConnection,adOpenStatic,adLockPessimistic);

oRst.AddNew();

oRst("oldID") = oldID;

oRst("Title") = Title;

oRst("Content") = Content;

oRst.Update();

oRst.Close();

Response.Write(Title + "抓取成功" + "<br>");

}

</script>

<HTML>

<HEAD>

<BODY>

<%=GetLinks(GetData())%>

</BODY>

</HTML>

下一步就是，把这个Access的数据库的内容导入到服务器的数据库里了，但是还有一些东西，就是原来的文章是分类的，所以导入的时候还得手工分类，因为在分析链接的时候正则表达式本来写就很麻烦，但还算严谨，如果把分类也用正则表达式解析的话，会很麻烦，因为分类是包含在<td>里面的，而那个页的<td>标签又很多，要想定位分类文字所在的<td>会很麻烦，即便写出来，程序也会失去灵活性，变得难以维护，所以现在只做到了这一步。